Discussion :

[thais781]

Bonjour,

J'essaye de convertir le fichier PDF d'un ami en mode text.
J'utilise donc pdftotext.
Ca marche impeccable sauf pour ce fichier (cf. en PJ, par discrétion, je l'ai un peu purgé)

Il semblerait que le fichier pdf soit "codé"
Par exemple le mot "diplôme" semble être décomposé entre "diplô" et "me"

Savez-vous comment faire pour convertir ce fichier correctement ?
Faut il supprimer les caractères spéciaux du pdf avant ? si oui, comment ?

Merci pour vos lumières.

PS : Je post dans cette section puisque je cherche une solution de type shell pour faire cette conversion et/ou remove caractère spéciaux du pdf ....

Thais

[demkada]

Salut,
Il me semble que c'est depuis le fichier original que vient le problème.
L'éditeur avec lequel a été saisi le document ne l'a pas surement justifié, et quand la personne à fait un export en format PDF, le parseur PDF a dû le faire lui même et quand tu veux le reconvertir, il te le passe comme il l'avait trouvé?

Ce que tu peux faire, c'est de le convertir en un document word traditionnel et d'ouvrir le nouveau document rtf avec Ms Word puis tu sélectionne le tout pour le justifier.
Si ça marche pas, tu peux toujours supprimer les espaces à la main.

Voici, un site te permettant de le faire en ligne http://www.pdfonline.com/convert-pdf-to-html/ C'est juste pour que tu sache que ton pdftotext n'y est pour rien